Thèse Simulation In Silico de l'Activité Cérébrale à l'Aide de Réseaux Neuronaux Récurrents Rnn H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Life Sciences and Health École doctorale : Neurosciences - Immunologie - Endocrinologie - Signalisation Laboratoire de recherche : Neuroimagerie Cognitive Direction de la thèse : Philippe DOMENECH ORCID 0000000301227349 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-11-30T23:59:59 L'objectif est de
mettre en place des expériences de stimulation multisite basées sur des modèles RNNs chez des patients humains
et de progresser vers de nouvelles thérapies pour les troubles psychiatriques grâce au
contrôle de la dynamique du cerveau humain par stimulation en boucle fermée.
Dans un premier temps, le chercheur postdoctoral travaillera
sur des données électrophysiologiques recueillies auprès de patients épileptiques porteurs
d'environ 124 électrodes LFP intracrâniennes, permettant un enregistrement simultané et
une stimulation multisite. Nous avons déjà collecté plusieurs ensembles de données (en boucle ouverte) et
jusqu'à 4 sujets sont recrutés chaque mois par le biais d'un réseau national de
cliniciens. Les travaux menés par le candidat retenu se situeront à la
croisée de l'apprentissage automatique, des neurosciences computationnelles et de l'
analyse des données d'électrophysiologie intracrânienne humaine.
L'ambition à moyen terme est d'étendre ces travaux à d'autres
populations de patients, notamment les personnes souffrant de dépression majeure
résistante au traitement et de trouble obsessionnel-compulsif, et d'intégrer des techniques d'enregistrement
telles que l'activité multi-unitaire à grande échelle et la détection de la neuromodulation
en moins d'une seconde (par exemple,
dopamine, sérotonine, noradrénaline, etc.) à l'aide de la voltamétrie
augmentée par l'apprentissage automatique.
Les principales responsabilités comprennent le développement de modèles d'espace d'états basés sur les données de la
dynamique neuronale afin d'élaborer des stratégies de contrôle optimales pour la stimulation, ainsi que
des pipelines d'inférence permettant de prédire les réponses du réseau à partir d'enregistrements intracrâniens.
Ce poste met l'accent sur la modélisation computationnelle, la théorie et le
développement d'algorithmes, plutôt que sur la collecte pratique de données expérimentales. As an initial step toward these broader goals, the postdoctoral researcher will
work with electrophysiological data collected from epilepsy patients implanted
with ~124 intracranial LFP electrodes, enabling simultaneous recording and
multi-site stimulation. We already collected several datasets (open-loop) and
up to 4 subjects are collected per month through a national network of
clinicians. The work carried out by the successful applicant will sit at the
intersection of machine learning, computational neuroscience and data
analyses of human intracranial electrophysiology.
The medium-term ambition is to expand this work to additional patient
populations, including individuals with treatment-resistant major depression
and obsessive-compulsive disorder, and to incorporate recording techniques
such as large-scale multi-unit activity and sub-second neuromodulation (e.g.
dopamine, serotonin, noradrenaline, etc) detection using ML-augmented
voltammetry. The goal is to
establish model-driven, multi-site stimulation experiments in human patients
and move towards novel therapies for psychiatric disorders through the
control of human brain dynamics via closed-loop stimulation. Intracranial human LFP electrodes
large-scale multi-unit activity
ML-augmented voltammetry.

Nous recherchons un candidat très motivé, doté de solides compétences quantitatives et
informatiques, et justifiant d'une expérience avérée en recherche dans au moins l'un des
domaines suivants : apprentissage automatique, inférence basée sur la simulation,
apprentissage par renforcement, modèles génératifs/de diffusion et systèmes dynamiques.
Compétences et expérience requises
Solides compétences en programmation scientifique sous Python, en particulier une maîtrise
de PyTorch, Jax ou d'outils apparentés
Expérience avérée en apprentissage automatique
Excellente maîtrise de l'anglais écrit et parlé.
Une expérience expérimentale directe n'est pas requise. Cependant, le
candidat retenu devra être enthousiaste à l'idée d'interagir avec
des cliniciens, des neurochirurgiens et des patients lors de la planification
et de la réalisation des expériences.
Apprécié mais non obligatoire
Expérience dans le traitement de données de séries chronologiques, en particulier les enregistrements intracrâniens
(LFP, ECoG, électrodes profondes) chez l'homme ou l'animal.
Nous encourageons vivement les candidatures de personnes issues de
groupes sous-représentés dans le milieu universitaire.

• Gestion des données
• Python
• Anglais
• Machine learning
• Analyse de données